[发明专利]基于深度学习与视场投影模型的渗漏水面积检测与识别方法

说明书

本发明公开了一种基于深度学习与视场投影模型的渗漏水区域检测与识别方法，具体包括如下步骤：步骤1)采集待测区域的视频数据和点云数据；步骤2)通过渗漏水图像识别神经网络对步骤1)采集的视频数据进行检测，得到渗漏水区域图片；步骤3)对步骤1)采集的点云数据进行识别，得到曲面形状；步骤4)根据步骤3)得到的曲面形状对步骤2)得到的漏水区域图片进行相应曲面形状投影，并计算投影后的渗漏水区域实际面积。本发明对于地铁隧道渗漏水面积测量无需人工参与，提高工作效率，且能够对检测到的渗漏水区域进行曲面投影转换，得到更精确的渗漏水面积。因此，该检测算法效率高、检测精确。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习与视场投影模型的渗漏水面积精确检测与识别方法，常用于隧道、房屋等建筑。

背景技术

隧道渗漏水现象在运营隧道中非常普遍，是一种常见的病害，若不及时对其进行修补，将会降低管片结构的强度，并引发钢筋和螺栓腐蚀、管片开裂及混凝土剥落等其他病害，会严重危害隧道的运营并且可能导致安全事故。

传统的隧道渗漏水结构病害检查，主要采用人工巡检目测、手工记录和拍摄照片等方式进行数据采集，但使用这种数据采集方式，受主观因素的影响，不可避免的会发生误判、遗漏等错误，且费时、费力，危险程度高、效率低下。近年来，以计算机视觉技术为依托的图像处理检测方法在该领域进行了相关研究。这种检测虽然在一定程度上带来了大量的隧道结构表面基础图像数据，但由于隧道盾构拼装的多缝及管道、管线、油漆数字等的遮挡干扰，使得图像数据异常复杂，从而导致检测难度不断加大。Marvin Teichmann对隧道病害目标进行了几何分析，使用的是目标分割算法。传统目标分割算法已经发展很成熟，大致可分为基于轮廓的方法，包括边缘检测，轮廓搜索、分水岭算法；基于区域的方法，包括全局阈值、局部阈值、动态阈值、多分辨率阈值、过度区阈值等。此外，还有大律法、区域生长法、分水岭法等，但是不足之处在于，传统目标分割算法对于遮挡、光照、阴影等干扰的影响较大。在此种情况下，研究一种快速、准确、高效的自动检测方法是十分有必要的。

发明内容

针对现有技术存在的缺陷，本发明的目的在于提供一种隧道管片渗漏水面积检测的方法，从而实现在不同的干扰环境下对管片渗漏水的面积精确的检测，并通过曲面投影转换得到更精确的渗漏水面积。

为了达到以上目的，本发明采用以下技术方案：

一种基于深度学习与视场投影模型的渗漏水区域检测与识别方法，其特点在于，具体包括如下步骤：

步骤1)采集待测区域的视频数据和点云数据；

步骤2)通过渗漏水图像识别神经网络对步骤1)采集的视频数据进行检测，得到渗漏水区域图片；具体检测步骤如下：

步骤2.1)采集历史渗漏水区域的视频数据和点云数据；

步骤2.2)对视频数据中的图片数据进行数据增强，得到增强图像；

步骤2.3)对增强图像中的渗漏水区域进行标注，作为标签，具体如下：

步骤2.3.1)对增强图像进行自适应阈值法分割，得到二值图像，其中，黑色像素点为渗漏水区域，白色像素点为背景区域；

步骤2.3.2)对二值图像修正后，对像素点进行标签；

步骤2.3.3)将二值图像的黑色像素点转化为洋红色像素点，白色像素点转化为红色像素点，其中，洋红色像素点为训练的渗漏水区域，红色像素点为背景边界修正；

步骤2.3.4)对于二值图像中仍存在的黑色像素点进行形态学处理，得到可供训练的样本集，通过迭代，得到可供训练的样本集。